الذكاء الاصطناعي أكثر قوة مما تعتقد

اكتشف فريق من العلماء شيئًا يغير الكثير مما كنا نعتقد أننا نعرفه عن قدرات الذكاء الاصطناعي. نماذجك لا تقوم فقط بمعالجة المعلومات – بل هي تطور قدرات متطورة تتجاوز تدريبها. ولفتح هذه القدرات ، نحتاج إلى تغيير كيفية التحدث معها.

ثورة فضاء المفاهيم

تذكر عندما كنا نعتقد أن الذكاء الاصطناعي يطابق فقط الأنماط؟ البحث الجديد قد فتح الآن الصندوق الأسود للتعلم بالذكاء الاصطناعي عن طريق رسم خريطة لشيء يسمونه “فضاء المفاهيم”. تخيل التعلم بالذكاء الاصطناعي كخريطة متعددة الأبعاد حيث تمثل كل إحداثية مفهومًا مختلفًا – مثل اللون والشكل والحجم. من خلال مشاهدة كيف تتحرك نماذج الذكاء الاصطناعي في هذا الفضاء أثناء التدريب ، لاحظ الباحثون شيئًا غير متوقع:

“من خلال تحديد ديناميات التعلم في هذا الفضاء ، نحدد كيف يتم التحكم في سرعة تعلم مفهوم بواسطة خصائص البيانات” ، كما يلاحظ فريق البحث. بمعنى آخر ، بعض المفاهيم تنجح بشكل أسرع من غيرها ، اعتمادًا على كيفية تمييزها في بيانات التدريب.

ما يجعل هذا الأمر interessant هو أن نماذج الذكاء الاصطناعي لا تقوم ببساطة بتخزين هذه المفاهيم كقطع معلومات معزولة. بل إنها تطور القدرة على مزجها وتطابقها بطرق لم نعلمها أبدًا. كما لو أنها تبني أدواتها الإبداعية الخاصة – لم نكن نمنحها الإرشادات الصحيحة لاستخدامها.

فكر في ما يعنيه هذا للمشاريع التي تعمل عليها. النماذج التي تعمل معها قد تفهم بالفعل مجموعات معقدة من المفاهيم التي لم تكتشفها بعد. السؤال ليس ما إذا كانت قادرة على المزيد – بل كيف يمكننا جعلها تظهر لنا ما هي قادرة عليه حقًا.

فتح القدرات الخفية

هنا يصبح الأمر مثيرًا للاهتمام. صمم الباحثون تجربة أنيقة ليكشفوا عن شيء أساسي حول كيفية تعلم نماذج الذكاء الاصطناعي. كان ترتيبهم بسيطًا:

• دائرة حمراء كبيرة
• دائرة زرقاء كبيرة
• دائرة حمراء صغيرة

ثم جاء الاختبار الرئيسي: هل يمكن للنموذج إنشاء دائرة زرقاء صغيرة؟ لم يكن هذا فقط حول رسم شكل جديد – بل حول ما إذا كان النموذج يمكنه حقًا فهم ومزج مفاهيم مختلفة (الحجم واللون) بطريقة لم يرها من قبل.

ما اكتشفه يغير كيف نفكر في قدرات الذكاء الاصطناعي. عندما استخدموا الدفعات العادية لطلب “دائرة زرقاء صغيرة” ، عانى النموذج. ومع ذلك ، كان النموذج قادرة على إنشاء دوائر زرقاء صغيرة – لم نكن نسأل بالطريقة الصحيحة.

اكتشف الباحثون تقنيتين أثبتتا ذلك:

1. “التدخل الكامن” – هذا مثل العثور على باب خلفي إلى دماغ النموذج. بدلاً من استخدام الدفعات العادية ، قاموا بتعديل الإشارات الداخلية التي تمثل “الزرقاء” و “الصغيرة” بشكل مباشر. تخيل وجود عجلات منفصلة للون والحجم – وجدوا أنه من خلال ضبط هذه العجلات بطرق محددة ، يمكن للنموذج فجأة إنتاج ما يبدو مستحيلًا قبل لحظات.
2. “التحفيز الزائد” – بدلاً من مجرد طلب “أزرق” ، أصبحوا محددين للغاية بقيم اللون. إنه مثل الفرق بين قول “اجعلها زرقاء” و “اجعلها بالضبط هذه الدرجة من الأزرق: RGB(0.3, 0.3, 0.7)” . ساعدت هذه الدقة الإضافية النموذج على الوصول إلى القدرات التي كانت مخفية في ظروف عادية.

بدأت كلا التقنيتين في العمل في نفس النقطة في تدريب النموذج – حول الخطوة 6,000. في حين أن التحفيز العادي فشل تمامًا أو احتاج إلى 8,000+ خطوة للعمل. ولم يكن هذا مجرد حادث – حدث بشكل متسق عبر العديد من الاختبارات.

هذا يقول لنا شيئًا عميقًا: نماذج الذكاء الاصطناعي تطور القدرات في مرحلتين متميزتين. أولاً ، فهي تتعلم حقًا كيفية مزج المفاهيم داخليًا – هذا ما يحدث حول الخطوة 6,000. ولكن هناك مرحلة ثانية حيث تتعلم كيفية ربط هذه القدرات الداخلية بطريقة عادية لنا. إنه مثل أن النموذج يصبح متقنًا لغة جديدة قبل أن يتعلم كيف يترجم هذه اللغة لنا.

الآثار كبيرة. عندما نفكر أن نموذج لا يمكنه شيء ، قد نكون مخطئين – قد يكون لديه القدرة ولكن يفتقر إلى الاتصال بين دفعاتنا وقدراته. هذا لا ينطبق فقط على الأشكال وال ألوان البسيطة – قد يكون صحيحًا أيضًا لقدرات أكثر تعقيدًا في أنظمة الذكاء الاصطناعي الأكبر.

عندما قام الباحثون بتحويل هذه الأفكار إلى بيانات العالم الحقيقي باستخدام مجموعة بيانات CelebA للوجوه ، وجدوا نفس الأنماط. حاولوا الحصول على النموذج لإنشاء صور “نساء يرتدين قبعات” – شيء لم يره في التدريب. فشل التحفيز العادي ، ولكن استخدام التدخلات الكامنة كشف أن النموذج يمكنه في الواقع إنشاء هذه الصور. كانت القدرة موجودة – لم تكن متاحة فقط من خلال وسائل عادية.

Park et al., Harvard University & NTT Research

الاستنتاج الرئيسي

نحتاج إلى إعادة التفكير في كيفية تقييم قدرات الذكاء الاصطناعي. مجرد أن نموذج قد لا يكون قادرًا على شيء مع دفعات معيارية لا يعني أنه لا يمكنه القيام به على الإطلاق. الفجوة بين ما يمكن أن تفعله نماذج الذكاء الاصطناعي وما يمكننا أن نجعلهم يفعلوه قد تكون أصغر مما كنا نعتقد – نحن فقط بحاجة إلى أن نصبح أفضل في السؤال.

هذا الاكتشاف ليس فقط نظريًا – إنه يغير بشكل أساسي كيف يجب أن نفكر في أنظمة الذكاء الاصطناعي. عندما يبدو نموذج متعثرًا مع مهمة ، قد نحتاج إلى أن نسأل ourselves ما إذا كان حقًا يفتقر إلى القدرة أو إذا كنا لا نصل إليها بشكل صحيح. للمطورين والباحثين والمستخدمين على حد سواء ، هذا يعني أن نصبح أكثر إبداعًا في كيفية التفاعل مع الذكاء الاصطناعي – أحيانًا تكون القدرة التي نحتاجها موجودة بالفعل ، فقط تنتظر المفتاح الصحيح لفتحها.